[發(fā)明專利]一種航拍圖像中工程車輛的識別方法及裝置、設(shè)備

在審

• 申請?zhí)枺?/td>: 202011049926.1
• 申請日: 2020-09-29
• 公開（公告）號: CN112132081A
• 公開（公告）日: 2020-12-25
• 發(fā)明（設(shè)計）人: 鐘映春;鄭海陽;謝林烽;羅志勇;李健生
• 申請（專利權(quán)）人: 廣東工業(yè)大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62
• 代理公司: 北京集佳知識產(chǎn)權(quán)代理有限公司 11227
• 代理人: 郭帥

本申請為一種航拍圖像中工程車輛的識別方法及裝置、設(shè)備，其中的識別方法主要步驟包括：(1)對待識別圖像分塊；(2)提取圖像的HOG特征和LBP特征并進行特征融合；(3)利用特征融合結(jié)果進行SVM模型訓(xùn)練，保留準確率最高的識別模型；(4)利用識別模型對圖像進行識別輸出識別結(jié)果。相較于傳統(tǒng)的人工巡檢和現(xiàn)有的無人機巡檢，有效節(jié)省人力物力，同時極大地提高了識別準確率和實時性，解決現(xiàn)有無人機巡檢中準確率低、實時性差、識別模型過于復(fù)雜等問題。

技術(shù)領(lǐng)域

本申請屬于圖像處理和目標識別領(lǐng)域，具體涉及一種航拍圖像中工程車輛的識別方法及裝置、設(shè)備。

背景技術(shù)

現(xiàn)代社會經(jīng)濟發(fā)展迅速，保證穩(wěn)定的電力供應(yīng)極為重要，電網(wǎng)特別是高壓輸電線路發(fā)揮著越來越重要的作用，高壓輸電線路的穩(wěn)定運行關(guān)系到城市經(jīng)濟的穩(wěn)定發(fā)展。

工程車輛是包括挖掘機、起重機等在內(nèi)的大型機械設(shè)備，使用工程車輛進行施工可以節(jié)省大量的勞動力，但是當工程車輛在高壓線網(wǎng)附近施工時，由于經(jīng)常需要舉升挖斗或者起重臂，容易出現(xiàn)挖斗或起重臂與高壓輸電線距離小于安全距離的現(xiàn)象，有可能會觸及電力線網(wǎng)，發(fā)生擊穿短路等事故，進而使高壓線網(wǎng)出現(xiàn)故障，嚴重時會導(dǎo)致整個城市電力癱瘓。因此非常有必要在高壓線網(wǎng)巡檢的過程中，及時發(fā)現(xiàn)在高壓輸電線附近作業(yè)的工程車輛，并發(fā)出警報以避免電力事故的發(fā)生。

目前主要依靠人工巡檢的方式來監(jiān)督在高壓輸電線附近施工的工程車輛，人工巡檢的方式不僅耗費很多勞動力，同時由于人的精力有限，對目標漏檢誤檢的幾率很大。無人機巡檢是一種更加靈活高效的巡檢方式，巡檢過程需要完成對航拍圖像中工程車輛的識別，現(xiàn)有的無人機航拍圖像中工程車輛的識別方法存在準確率低，實時性差，模型過于復(fù)雜等問題。

發(fā)明內(nèi)容

基于此，本發(fā)明旨在提供一種航拍圖像中工程車輛的識別方法及裝置、設(shè)備，以克服上述現(xiàn)有技術(shù)的缺陷。

第一方面，本發(fā)明一種航拍圖像中工程車輛的識別方法，包括：

S1.將待識別圖像分成若干個圖像子塊，根據(jù)設(shè)定比例將若干個圖像子塊隨機劃分為訓(xùn)練集和測試集；

S2.提取每個圖像子塊的HOG特征和LBP特征進行特征融合；

S3.把步驟S2的訓(xùn)練集對應(yīng)的特征融合結(jié)果作為SVM的輸入進行識別模型訓(xùn)練，利用測試集對應(yīng)的特征融合結(jié)果對識別模型進行準確率測試，保留準確率最高的識別模型；

S4.利用訓(xùn)練好的識別模型對待識別圖像進行識別輸出識別結(jié)果。

優(yōu)選地，步驟S1包括：

S11.根據(jù)圖像子塊中是否含有工程車輛將圖像子塊分類；

S12.將步驟S11已分類的圖像子塊根據(jù)設(shè)定比例隨機劃分為訓(xùn)練集和測試集。

優(yōu)選地，步驟S11包括：

采用標簽分類算法對圖像子塊進行標注，根據(jù)標注生成每個圖像子塊對應(yīng)的xml文件，根據(jù)xml文件將圖像子塊劃分為背景類別及包含工程車輛類別。

優(yōu)選地，步驟S2包括：

將HOG特征和LBP特征對應(yīng)的特征矩陣分別與第一權(quán)重系數(shù)和第二權(quán)重系數(shù)相乘后在水平方向上疊加得到融合特征矩陣存儲于feat文件中，feat文件作為識別模型訓(xùn)練的輸入量。

優(yōu)選地，步驟S3包括：

S31.把步驟S2的訓(xùn)練集對應(yīng)的特征融合結(jié)果作為SVM的輸入進行識別模型訓(xùn)練，利用測試集對應(yīng)的特征融合結(jié)果對識別模型進行準確率測試；

S32.根據(jù)測試的準確率分別對第一權(quán)重系數(shù)及第二權(quán)重系數(shù)按照設(shè)定步長在預(yù)設(shè)取值范圍內(nèi)取值，重復(fù)步驟S2；

S33.保留準確率最高的識別模型。